诺华杂质控制的数据管理方案

诺华公司也有自己的 CSI，不过可能不是您想象中解决犯罪活动的 CSI。化学结构调查组（CSI）是致力于解决化学结构问题。副总监兼化学结构调查组组长的Dorina Kotoni博士解释说， “我们负责结构解析和杂质调查，这项工作覆盖了整个新药实体部门” ，这包括开发中的化合物和商业化的药物。

在实践中，CSI 小组开展了分析化学实验，例如：

• 分离杂质，用于Ames测试或创建参考标准

• 识别工艺杂质

• 进行强制降解研究

总体而言，该团队每年进行了约 400 项结构解析和 700 项结构验证。他们使用自动结构验证系统来保持严苛的计划，这个系统使用机器学习方法来处理分析结果并验证化学结构。然后科学家会复核化学结构，再输入杂质数据库。

除了进行实验和复核分析结果，CSI 小组还负责管理各个项目的杂质解析数据。药物开发工作通常持续多年。这意味着，当准备监管文件时，会由于数据孤岛或人员变动导致的数据缺失，使查找早期开发成果变得困难。而集中杂质数据是可以降低数据丢失几率的。

这项工作涉及海量数据，因此需要对数据进行管理。CSI 需要从药品开发中获得信息，以开展以下内容完成他们的工作，并必须将结果发送给其他团队，以便执行下游工作，如收集监管文件。但是，管理这些众多数据流是不容易组织且耗时的。

Kotoni的团队决定使用 Luminata来收集数据。这些数据的流程如图所示。该软件简化了 CSI 小组的数据访问方式，并为其他团队提供杂质信息。Luminata 还包含以下重要的背景信息，用于解决化学结构问题。"我们能够同时查看标准物数据，以及最重要的是有化学结构归属的合成步骤。"

Kotoni 解释说，Luminata 的优势之一是能够分享跨团队的杂质数据。"对我们来说，最重要的是我们如何能够在制剂、分析和化学部门之间共享这些数据"。她解释说。"我们觉得这才是我们能够真正发挥作用的工具"。

全球排名前15位的生物制药公司中，有超过50%的公司正在使用Luminata来提高他们的开发工作。

Luminata改变了科学家获取和共享数据的方式，从而更好、更高效地研发药物。

您的团队准备了解Luminata吗？以下是您需要考虑的问题：

1. 您的团队管理层是否能从当前项目中，及时知晓最新进展，融入经验和知识，以提高整体团队能力？

2. 您的团队内部是否出现信息不对等而导致的数据理解分歧？

3. 您的团队是否出现非创造性的重复工作？

4. 您的团队是否遇到NDA的发补需求？

5. 您的团队是否需要应对商业化生产中出现的非目标杂质？

6. 如果您与项目经理工作，他们是否以PDF或Excel提供结果，缺少必要的支撑或解释数据？

7. 您是否很难找到所有项目相关文件？

8. 您是否存储分析和化学多个数据在多个数据孤岛中，导致数据间无法关联？

9. 您的研究团队是否用大量时间准备项目汇报文件？

10. 您的杂质管理是否会在多个地点展开，是否涉及合同组织？

如果您对上述问题的部分或全部回答为 "是"，那么 Luminata 可能是您的有效选择。Luminata 是一款用于加强工艺研发的工具。欲了解更多有关 Luminata，请与我们的销售联系。

随着中国药品质量标准不断提高，中国的监管机构要求药物开发团队深度理解化学工艺。遗憾的是，科学家已投入大量时间和资源来生成和处理数据，实施繁琐的变通方法来管理数据，仍因管理漏洞或人员变动导致数据缺失，使本应顺利的药物申请被发补。

2022年发表的《Trends and Characteristics of New Drug Approvals in China》文章中，指出2017-2021年期间，中国新药申请出现两次或以上发补，会显著增加审批时间（一次发补，11.6个月VS两次或以上发补，17.5个月，p<0.001）。这给药品上市和企业盈利带来巨大挑战。

某国内药物研发人员提到：

"有时候，发补要求的补充数据，已在工艺研发阶段积累完毕。但人员变动使我们无法找到数据，为了及时完成新药申请，我们不得不补做重复性的工作，或应急引入第三方协助。"

Luminata能够把工艺研究的相关知识提炼总结，以良好的信息学系统进行管理和知识有效传承交换，能提高团队工作的质量。

在浏览器复制下方链接或点击文末阅读原文下载：

https://www.acdlabs.com/wp-content/uploads/download/docs/Luminata-Impurities-eBook.pdf

参考：

1 ICH. (2008). Pharmaceutical Development Q8(R2).

2. Moser, A., Waked, A.E., DiMartino, J. (2021). Consolidating and Managing Data for Drug Development within a Pharmaceutical Laboratory: Comparing the Mapping and Reporting Tools from Software Applications. OPRD, 25(10), 2177-2187.

3. FDA. (2021). Control of Nitrosamine Impurities in Human Drugs.

4. ICH. (2015). ICH guideline M7(R1) on assessment and control of DNA reactive (mutagenic) impurities in pharmaceuticals to limit potential carcinogenic risk.

5. Watts, B. (2022). 2022 State of Digital Lab Transformation in Biopharma. Pharma IQ.

6. Bhal, S. (2022). The Analytical Data Management Report 2022. ACD/Labs. Read the report.

7. Wilkinson, M.D., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3(1), 1-9.

8. Kotoni, D. (2022). Novartis CSI: detectives in the chemistry lab. Watch the webinar.

9. DiMartino, J., Harris, J., Bhal, S. (2023). Tracking Fate and Purge of Impurities and Calculating Carryover.

10. Ling Su, et al. (2022). Trends and Characteristics of New Drug Approvals in China, 2011-2021.

Therapeutic Innovation & Regulatory Science 57, 343–351.